超级详细手把手讲解BiLSTM+CRF完成命名实体识别（三）

谁践踏了优雅 2021-10-14 00:58 573阅读 0赞

我们要进行第三个步骤的操作，就是使用test功能，

elif args.mode == 'test':
        ckpt_file = tf.train.latest_checkpoint(model_path)
        print(ckpt_file)
        paths['model_path'] = ckpt_file
        model = BiLSTM_CRF(args, embeddings, tag2label, word2id, paths, config=config)
        model.build_graph()
        print("test data: {}".format(test_size))
        #测试
        model.test(test_data)

和demo模式一样，首先使用*tf.train.latest\_checkpoint*()来自动获取最后一次保存的模型，然后也是创建了一个BiLSTM\_CRF对象，并调用了它的build\_graph()函数，这些咱们之前都讲过，调用这个函数就以为已经进行了模型的设置，只等传入feed\_dict就可以得到预测结果了。

然后调用了model.test并传入测试数据。

def test(self, test):
            saver = tf.train.Saver()
            with tf.Session(config=self.config) as sess:
                self.logger.info('=========== testing ===========')
                saver.restore(sess, self.model_path)
                label_list, seq_len_list = self.dev_one_epoch(sess, test)
                self.evaluate(label_list, seq_len_list, test)

一句saver.restore引入已经训练好的模型，然后直接使用dev\_one\_epoce函数和evaluate函数，这两个函数之前我们训练的时候也用到过，主要目的是检测训练集的训练效果在测试集表现怎么样，这里的话省略了训练的步骤，而是调用以前训练好的模型，直接进行测试集的检测。

其实dev\_one\_epoce就是得到了一个有字，真实标签，预测标签组成的矩阵，但是过程是通过predict\_one\_batch来得到预测标签的，这样就可以用于evaluate的准确率检验了。

这个模式还是比较简单的，和train模式差不多，只是少了训练的步骤。